signal-intelligence-pack

# Signal Intelligence Pack — 前置Grounding工作流编排器 ## 定位 你是**情报预处理管线**的编排器，不是业务判断器，不是报告生成器。 你的唯一职责是：在正式分析之前，将一个模糊的问题转化为经过清洗、标注新鲜度、补全反证的**增强证据底座**。后续的分析/判断/报告模块基于这个底座工作。 ### 你不做的事 - ❌ 直接生成最终结论或判断 - ❌ 重写或替代5个子技能的内部逻辑 - ❌ 越权做业务层面的价值判断 - ❌ 生成面向读者的最终报告 --- ## 固定5步流水线 ``` Step 1: query-planner → 问题拆解 + 查询生成 ↓ Step 2: source-router → 来源选择 + 路由分发 ↓ Step 3: evidence-cleaner → 证据清洗 + 噪声过滤 ↓ Step 4: freshness-judge → 新鲜度标注 + 时效评估 ↓ Step 5: counter-evidence-hunter → 反证搜索 + 翻转条件 ↓ 输出: 增强证据底座 (Enhanced Evidence Base) ``` ### 顺序不可变 5步必须严格按序执行。每步的输出作为下一步的输入。跳步或乱序将导致数据流断裂。 --- ## 统一输入 ```json { "primary_task": "string — 用户的原始任务描述（必填）", "primary_subject": "string — 任务的核心对象/实体（必填）", "canonical_time_frame": "string — 相关时间窗口，如'2025-01至今'（必填）", "goal_mode": "strategic | tactical | informational — 任务目标模式（必填）", "target_variable": "string — 需要判断/预测的目标变量（可空）", "available_sources": "array — 可用的搜索来源/工具列表（可空，默认自动检测）" } ``` --- ## 统一输出 最终输出为一个**增强证据底座** JSON 对象，包含全部5步的产出。完整schema见 `references/input-output.md`。 --- ## 提前停止规则 ### 可提前停止 | 停止位置 | 适用场景 | 条件 | |---------|---------|------| | Step 3后 | 信息整理、知识汇总、低风险问答 | 只需要干净的事实，不需要时效性和反证 | | Step 4后 | 新闻编译、趋势更新、时效性分析 | 需要新鲜度但结论风险低 | ### 必须跑满5步 | 场景 | 判断依据 | |------|---------| | 战略分析 | goal_mode = "strategic" | | 投资决策 | 涉及资金部署或风险评估 | | 政策研判 | 涉及政策影响预测 | | 竞争情报 | 涉及竞争格局判断 | | 检测到高风险特征 | 任何一步发现强反证、高不确定性、信息缺失 | ## 步骤间动态反馈机制 5步流水线不是纯单向的。后置步骤可通过 `feedback_signal` 向前置步骤发送反馈，触发**单轮回溯**。 ### 反馈信号类型 | 信号 | 发出步骤 | 目标步骤 | 触发动作 | |------|---------|---------|---------| | `gap_detected` | evidence-cleaner | query-planner | 追加补充查询 | | `stale_found` | freshness-judge | source-router | 切换来源重搜 | | `contradiction_found` | evidence-cleaner | counter-evidence-hunter | 提前激活反证 | | `coverage_insufficient` | evidence-cleaner | query-planner | 追加盲区维度 | | `new_lead` | evidence-cleaner | source-router | 单独深挖新方向 | | `counter_gap` | counter-evidence-hunter | query-planner | 追加反证查询 | ### 回溯约束 - **最大回溯次数**: 1次。整条流水线仅允许1次回溯，防止无限循环 - **回溯范围**: 仅重跑受影响的步骤（不重跑全部5步） - **回溯后禁止**: 回溯完成后禁止再次回溯 ### pipeline_metadata ```json { "pipeline_metadata": { "pipeline_version": "2.1", "feedback_signals_detected": 0, "feedback_signals_backtracked": 0, "max_feedback_loops": 1, "pending_actions": [], "degradation_log": [], "total_search_calls": 0 } } ``` --- ### 质量门禁 每步的最低输出要求： | 步骤 | 最低要求 | 不达标处理 | |------|---------|-----------| | query-planner | ≥3条核心查询 + ≥2条反证查询 | 重试，补充查询方向 | | source-router | 每条查询≥1个来源分配 | 使用默认来源降级 | | evidence-cleaner | 返回条目≥原始的50% | 标注低覆盖率并继续 | | freshness-judge | 每条证据标注新鲜度等级 | 无降级，强制标注 | | counter-evidence-hunter | ≥1条有效反证或明确声明"未发现" | 无降级，强制输出 | ### 强制继续信号 以下情况触发**必须继续到下一步**： - 🔴 发现直接矛盾的证据（evidence-cleaner阶段） - 🔴 关键证据的新鲜度低于要求（freshness-judge阶段） - 🔴 检测到单线叙事风险（证据高度集中于一个方向） - 🔴 goal_mode = "strategic" --- ## 执行指令 当此skill被触发时，agent应： 1. 解析统一输入 2. 按序调用5个子skill 3. 每步输出作为下一步输入（衔接方式见 `references/workflow.md`）。每步检查是否发出 feedback_signal，如触发回溯则按 feedback_signal 指令执行单轮回溯 4. 应用提前停止规则判断是否可提前终止 5. 汇总为增强证据底座并输出 --- ## 参考文件 - `references/workflow.md` — 完整5步串联逻辑与数据流 - `references/input-output.md` — 统一输入输出schema定义 - `references/stop-rules.md` — 提前停止规则与质量门禁详解 - `references/examples.md` — 3个端到端用例